近几年来随着计算机视觉技术的不断发展,运动物体的识别和跟踪方法研究成为热门内容之一,也在视频监控、无人车自动驾驶和医学诊断治疗等方面具有广泛的应用场景和需求。与此同时,深度学习领域也发展迅猛,基于深度学习进行目标识别是目前研究发展的趋势。随着激光扫描技术的进步,通过激光雷达扫描得到的点云图像提供了三维物体丰富的视觉信息和几何信息,所以基于点云数据的目标识别和跟踪方法研究具有更大的意义。本文主要研究运动物体识别和跟踪的核心问题,分为目标识别方法、目标跟踪算法及其具体实现进行研究。首先对基于点云数据的传统目标识别算法进行优缺点的分析,由于运动物体实时识别效果不明显,所以采用了识别效果更好、准确率更高的基于卷积神经网络的点云目标识别方法。对于跟踪部分,为了解决在日常道路的复杂背景下对于目标识别效果不明显以及多目标引起的跟踪失败的问题,分析了常见的跟踪方法,并且在传统的跟踪算法的基础之上加以改进以达到提高跟踪准确率的目标。重点说明Camshift算法的基本原理,并在跟踪过程中加入卡尔曼滤波算法,对得到的目标数据进行处理后形成运动航迹,预测该目标下一次出现的位置,解决随动跟踪的问题。最后把目标跟踪和自稳云台进行结合,将目标相关参数输入云台中,达到随着目标物体的运动而跟踪的效果。实验结果表明,通过在日常行进道路的复杂背景下进行验证后,使用本文改进的算法可以有效、准确的从点云图像连续帧中提取出需要跟踪的运动目标,且鲁棒性较高。对于识别目标较多和实时性要求较高的问题得到了有效的解决。结果显示预测跟踪准确率较高,方法可行有效。